[논문 리뷰] A registration method for model order reduction: data compression and geometry reduction

Tommaso Taddei|arXiv (Cornell University)|2019. 06. 26.

Model Reduction and Neural Networks참고 문헌 62인용 수 87

한 줄 요약

이 논문은 매개변수화된 모델 차수 축소를 위한 일반적이고 방정식에 구애받지 않는 정합(registration) 방법을 제시하는데, 이는 해(solution)나 기하를 선형 압축에 더 적합한 형태로 매핑하기 위해 매개변수 의존적인 일대일 대응(일대일 매핑)을 구축하고, 이론적 보장과 2D 수치 시演을 제공합니다.

ABSTRACT

We propose a general --- i.e., independent of the underlying equation --- registration method for parameterized Model Order Reduction. Given the spatial domain $\\Omega \\subset \\mathbb{R}^d$ and a set of snapshots $\\{ u^k \\}_{k=1}^{n_{\ m train}}$ over $\\Omega$ associated with $n_{\ m train}$ values of the model parameters $\\mu^1,\\ldots, \\mu^{n_{\ m train}} \\in \\mathcal{P}$, the algorithm returns a parameter-dependent bijective mapping $\\boldsymbol{\\Phi}: \\Omega \ imes \\mathcal{P} \ o \\mathbb{R}^d$: the mapping is designed to make the mapped manifold $\\{ u_{\\mu} \\circ \\boldsymbol{\\Phi}_{\\mu}: \\, \\mu \\in \\mathcal{P} \\}$ more suited for linear compression methods. We apply the registration procedure, in combination with a linear compression method, to devise low-dimensional representations of solution manifolds with slowly-decaying Kolmogorov $N$-widths; we also consider the application to problems in parameterized geometries. We present a theoretical result to show the mathematical rigor of the registration procedure. We further present numerical results for several two-dimensional problems, to empirically demonstrate the effectivity of our proposal.

연구 동기 및 목표

• 해 solution/geometry를 선형 압축에 더 적합한 공간으로 매핑하는 매개변수 의존적 일대일 대응 Φ를 얻는 정합 프레임워크를 개발한다.
• 정합 매핑과 주어진 조건에서의 가역성에 대한 이론적 보장을 확립한다.
• 2D 수치 실험을 통해 해 필드의 데이터 압축과 매개변수 도메인의 기하 감소의 두 가지 응용을 시연한다.
• POD 기반 압축에 기반한 축소 공간과 회귀 기반 온라인 예측기를 포함하는 오프라인/온라인 pMOR 패러다임에 정합 접근법을 통합한다.

제안 방법

• Φ: Ω × P → R^d가 모든 μ ∈ P에 대해 일대일 대응(bijection)임을 정의한다.
• 참조 μ̄ 및 스냅샷 세트를 사용하여 기준 매핑된 필드 불일치를 최소화하는 비선형, 비볼록 최적화를 형식화한다.
• Φ를 Ψ_a^hf(X) = X + ∑_{m=1}^{M_hf} a_m φ_m^hf(X)로 표현하되, φ_m^hf ∈ Lip(U, R^d)이며 야코비안 det(J)에 대한 제약을 통해 역방향성을 휴리스틱하게 강제한다.
• 오프라인 학습 데이터를 기반으로 μ ∈ P에 대해 커널 회귀를 사용하여 Φ_μ를 생성한다.
• 정합을 데이터(매핑된 해)와 기하(매핑된 도메인)에 적용하여 매핑된 매니폴드에서 선형 차원 축소(POD 등)를 가능하게 한다.
• 오프라인/온라인 pMOR 패러다임에 회귀 기반 온라인 예측기와 함께 POD 기반 축소 공간을 접목한다.

(a)

실험 결과

연구 질문

• RQ1 매개변수 의존 정합 맵 Φ를 구성하여 매핑된 스냅샷과 기준 필드 간의 불일치를 최소화할 수 있는가?
• RQ2 정합 맵의 일대일성 및 가역성이 보장되어 매핑된 문제가 잘 정의되도록 하는 조건은 무엇인가?
• RQ3 매핑이 Kolmogorov N-너트의 느리게 감소하는 경우에 매개변수화된 해 공간의 선형 축소 가능성을 어떻게 향상시키는가?
• RQ4 정합 프레임워크가 해의 데이터 압축과 매개변수 도메인의 기하 감소 모두에 효과적인가?

주요 결과

• 정합 절차는 Ω를 스스로에 일대일 대응하는 매개변수 의존적 사상을 얻어 선형 압축 가능성을 향상시킨다(또는 Ω_μ로의 매핑).
• 이론적 결과는 맵의 일대일성 및 가역성을 보장하는 조건과 매핑에 대한 구체적이고 구성 가능한 형태를 확립한다.
• 2차원 수치 실험은 데이터 압축과 기하 감소에 대한 방법의 효과를 보여준다.
• 이 접근법은 POD 기반 압축 및 오프라인/온라인 pMOR 워크플로우와 통합되며, 일반적이고 방정식 독립적인 정합 단계를 제공한다.
• 최적 수송(Optimal Transport) 및 기타 비선형 압축 아이디어와의 연결을 논의하며 방법을 견고한 이론적 프레임워크에 바탕을 둔다.

(b)